Systematische Identifizierung von Unsicherheiten

Bonart verwendet vor allem sehr aufwändige Simulationen von Tropfen, die auf Oberflächen treffen und mehrere Tage dauern können. Dafür nutzt er die neuesten Methoden des maschinellen Lernens, wie physikbasierte Modellreduktion und stochastische Ersatzmodelle. Durch diese Methoden hofft Bonart, Erkenntnisse darüber zu gewinnen, wie man das Design von Experimenten optimieren kann. Dies würde es ermöglichen, Computer-Simulationen mit zeitaufwändigen Messungen zuverlässiger in Einklang zu bringen. Thomas Bayes und die Unsicherheitsquantifizierung (UQ) spielen hier eine wichtige Rolle. Bayes war ein englischer Statistiker, Philosph und presbyteranischer Pfarrer im 18. Jahrhundert. Er entwickelte eine Formel zur Berechnung bedingter Wahrscheinlichkeiten, einen systematischen Weg, um Hypothesen oder Aussagen an gelebte Erfahrungen oder Ereignisse anzupassen. Laut Bonart bietet die Unsicherheitsquantifizierung statistische Methoden, um Messfehler und Unsicherheiten quantitativ zu erfassen und systematisch zu reduzieren. “Zum Beispiel können wir identifizieren, wo zusätzliche Messungen erforderlich sind, um verlässliche Aussagen über einen beobachteten Effekt zu machen. Und wir können auch angeben, wie sicher wir uns bei unseren Vorhersagen sind.” Für diesen Zweck hat er sich intensiv mit der Philosophie der Bayes’schen Statistik beschäftigt. Der Impuls, diesen Weg einzuschlagen, kam von seinem ersten Forschungsaufenthalt 2019 in der Uncertainty Quantification Group unter der Leitung von Professor Youssef Marzouk am Massachusetts Institute of Technology (MIT) in Cambridge. Bonart glaubt, dass die bayesianische Statistik leicht interpretierbare Wahrscheinlichkeitsaussagen liefert und perfekt für Anwendungen in Ingenieurwesen und Lehre geeignet ist.